卷积神经网络在A股量化择时中的建模逻辑与应用边界是什么？

卷积神经网络模型的核心建模逻辑在于将金融时间序列数据转化为图像化的价量图表，利用计算机视觉领域的深度学习技术对股价走势模式进行识别与分类。具体而言，模型对每个个股在特定窗口期内的标准化价量数据构建统一格式的图表，通过卷积层自动提取价量形态中的层次化特征，建立与未来价格走势之间的非线性映射关系。

数据输入形式为经过标准化的个股价量图表，输出形式则为学习到的特征在行业主题板块上的映射结果，最终形成可配置的主题指数组合。本报告中，模型最新输出配置为红利、能源、价值三大主题，涵盖沪深300红利低波动指数、中证能源指数、国证价值100指数等具体标的。

与传统量化因子模型相比，该方法的差异主要体现在特征提取方式上：传统模型依赖人工构造的显式因子（如估值、动量、波动率等），而卷积神经网络通过端到端学习自动识别价量图表中的隐含模式，能够捕捉传统因子难以形式化的复杂形态特征。

报告提示的模型失效风险包括多个维度：其一，GFTD模型和LLT模型历史择时成功率约为八成，市场波动不确定性下信号存在失效可能；其二，日历效应和宏观因子事件由历史数据回测得到，市场结构及交易行为的改变可能使策略失效；其三，PPI同比数据判断市场走势的结论基于历史数据，经济结构变化可能导致规律不再成立；其四，不同量化模型因方法论差异可能得出不同结论，本报告观点与其他模型结论存在差异属于正常现象。